基于多分辨分析和WNN的模擬電路故障診斷

王輝　彭良玉

摘 要： 提出了一種基于多分辨分析和小波神經(jīng)網(wǎng)絡(luò)（WNN）相結(jié)合的模擬電路故障診斷方法。該方法利用了多分辨分析優(yōu)異的時(shí)頻特性，提取采集數(shù)據(jù)中的故障特征參數(shù)值，結(jié)合小波神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性分類、學(xué)習(xí)、泛化能力及精度高、收斂速度快等特性，將得到的輸入數(shù)據(jù)進(jìn)行歸一化處理作為小波神經(jīng)網(wǎng)絡(luò)的輸入對(duì)其進(jìn)行訓(xùn)練，并將訓(xùn)練的結(jié)果應(yīng)用于濾波器電路故障診斷。結(jié)果表明，該方法實(shí)現(xiàn)了對(duì)故障模塊的定位，是一種有效的模擬電路故障診斷方法。

關(guān)鍵詞： 多分辨分析； 小波神經(jīng)網(wǎng)絡(luò)； 模擬電路故障診斷； 數(shù)據(jù)采集

中圖分類號(hào)： TN919?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）06?0125?04

0 引 言

電子工業(yè)的快速發(fā)展，使得電子設(shè)備的復(fù)雜程度也越來(lái)越復(fù)雜，模擬電路的集成化與規(guī)?；捌浔旧砭窒扌?，使得模擬電路故障診斷的效果越來(lái)越不能滿足人們的要求。人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)使得模擬電路故障診斷智能化，學(xué)習(xí)診斷能力方面大大增強(qiáng)，BP神經(jīng)網(wǎng)絡(luò)在這方面得到了很好的運(yùn)用，但是其收斂速度慢，容易陷入局部最小。小波函數(shù)具有較好的時(shí)頻域化性質(zhì)，選擇適當(dāng)?shù)哪负瘮?shù)，可以是擴(kuò)張函數(shù)有較好的局部性[1]。將小波函數(shù)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合運(yùn)用于模擬電路故障診斷，這樣避免了BP神經(jīng)網(wǎng)絡(luò)任意分類的不足，同時(shí)可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)固有的缺陷[2?3]。在BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)之上，用小波函數(shù)代替隱含層傳遞函數(shù)，同時(shí)對(duì)故障特征值的提取采用多分辨分析算法，最后通過(guò)實(shí)例仿真，可知該方法有很好的可行性。

1 小波神經(jīng)網(wǎng)絡(luò)及改進(jìn)算法

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析理論所構(gòu)造出來(lái)的一種新的多層前饋型神經(jīng)網(wǎng)絡(luò)模型，是神經(jīng)網(wǎng)絡(luò)和小波分析方法相互融合與相互優(yōu)化的結(jié)晶，加快了收斂速度，避免了局部最優(yōu)，具有很強(qiáng)的學(xué)習(xí)和泛化能力。

本文中BP小波神經(jīng)網(wǎng)絡(luò)[4?6]是在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)之上，用小波基函數(shù)Morlet代替隱含層傳遞函數(shù)，其結(jié)構(gòu)如圖1所示。

采用沿梯度的負(fù)方向，對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)系數(shù)和尺度、平移參數(shù)進(jìn)行修正，使小波神經(jīng)網(wǎng)絡(luò)的輸出能夠逼近期望輸出。主要分為2個(gè)階段：第一階段是前向傳播過(guò)程，主要是輸入樣本逐層向前計(jì)算直到輸出層輸出；第二階段是反向傳播過(guò)程，主要是對(duì)網(wǎng)絡(luò)的權(quán)值及尺度函數(shù)從輸出層向后進(jìn)行修正。兩個(gè)階段交替重復(fù)執(zhí)行，一直到達(dá)到目標(biāo)誤差為止。

小波神經(jīng)網(wǎng)絡(luò)中的小波基函數(shù)[ψa，bt]是由一個(gè)母小波函數(shù)[ψt]經(jīng)過(guò)平移和尺度伸縮得到的，它的定義為：

式中：[a]為尺度因子；[b]為平移因子，而[ψt]滿足條件[ψt∈L2R]和[0<0+∞Ψw2wdw<+∞Ψw]為[ψt]的傅里葉變換。

小波函數(shù)[ψt]的多樣性，致使許多函數(shù)滿足有關(guān)條件就可以作為小波基函數(shù)，常見(jiàn)的小波基函數(shù)有Morlet小波，Marr小波，DOG小波，Harr小波和樣條小波族等。因此小波基函數(shù)的選擇有多種，然則針對(duì)不同的數(shù)據(jù)信號(hào)，則需要選擇適當(dāng)?shù)男〔ɑ瘮?shù)。Morlet小波基雖然是非正交基，沒(méi)有尺度函數(shù)，但是其結(jié)構(gòu)清晰，表達(dá)式簡(jiǎn)單，在時(shí)頻兩域都有很好的局部性。本文小波基函數(shù)[g]采用Morlet小波函數(shù)，其數(shù)學(xué)公式為：

以三層小波神經(jīng)網(wǎng)絡(luò)為例，若輸入節(jié)點(diǎn)數(shù)為n，輸入向量為[Xn=（x1，x2，…，xn）]，隱層節(jié)點(diǎn)數(shù)為h，隱含層的輸入向量為[Gh=（g1，g2，，…，gh）]，隱層輸出向量為[Ph=（p1，p2，…，ph）]，輸出層節(jié)點(diǎn)數(shù)為m，輸出向量為[Ym=（y1，y2，…，ym）]則有：

式中：[ah，bh]分別為小波神經(jīng)網(wǎng)絡(luò)的伸縮和平移因子；[whn]為隱含層與輸入層的連接權(quán)值；[wmh]為輸出層與隱含層的連接權(quán)值。

小波神經(jīng)網(wǎng)絡(luò)的目標(biāo)誤差函數(shù)的表達(dá)式：

式中：[yNm]為期望輸出值；[yNtm]為網(wǎng)絡(luò)的真實(shí)輸出值；N為輸入節(jié)點(diǎn)數(shù)；M為輸出節(jié)點(diǎn)數(shù)。

進(jìn)入訓(xùn)練階段，為了提高學(xué)習(xí)效率，擺脫局部極小值的困境，在調(diào)節(jié)權(quán)值和閾值的時(shí)候引入動(dòng)量因子mc。由于權(quán)值的修正正比與誤差函數(shù)沿梯度下降，則有輸入層與隱層之間的修復(fù)的連接權(quán)系數(shù)為：

小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的步驟可歸結(jié)為五步完成：

初始化小波神經(jīng)網(wǎng)絡(luò)中尺度因子[a]和平移因子[b]，包括連接權(quán)值[w]和閾值[bn]，設(shè)置動(dòng)量因子[mc]、學(xué)習(xí)速率[lr]和目標(biāo)誤差[E]。

（1） 構(gòu)造訓(xùn)練樣本和測(cè)試樣本集。將訓(xùn)練樣本集輸入到小波神經(jīng)網(wǎng)絡(luò)中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，在保證正確率符合要求的情況下，為了提高收斂速度，可采用循環(huán)多次訓(xùn)練方法檢測(cè)網(wǎng)絡(luò)的泛化能力和精確能力。

（2） 將網(wǎng)絡(luò)輸出層的實(shí)際輸出和期望輸出進(jìn)行計(jì)算，得到誤差值[e]。

（3） 通過(guò)連接權(quán)系數(shù)調(diào)整式（5），式（6）及尺度參數(shù)調(diào)整式（7），式（8）對(duì)小波網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行更新。

（4） 在小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前設(shè)定一個(gè)目標(biāo)誤差[E]，若步驟3中達(dá)到的誤差[e]小于目標(biāo)誤差[E]，則網(wǎng)絡(luò)學(xué)習(xí)結(jié)束，否則將轉(zhuǎn)入步驟（2），進(jìn)入反復(fù)計(jì)算，直到達(dá)到最大訓(xùn)練步數(shù)為止。

2 特征值的提取

模擬電路故障診斷中訓(xùn)練樣本和測(cè)試樣本集的構(gòu)造包括了數(shù)據(jù)預(yù)處理和特征提取2個(gè)部分，故障特征的提取則是構(gòu)造樣本集的基礎(chǔ)。高效、準(zhǔn)確地提取反映電路的故障信息特征將是關(guān)鍵所在。S.Mallat和Y.Meyer與1986年提出多分辨率概念，使小波理論有了突破性的進(jìn)展。1988年S.Mallat提出了多分辨分析，給出了構(gòu)造正交小波基的方法，并提出了Mallat快速算法。模擬電路軟故障的信號(hào)變化是比較微小的，而且里面含有非平穩(wěn)的信息，用平穩(wěn)信號(hào)的信息處理方法去處理將不能很好地提取信號(hào)里面有效的故障特征值，再則計(jì)算機(jī)存儲(chǔ)空間，計(jì)算時(shí)間和收斂速度等因素也影響著故障的精確定位，而多分辨分析通過(guò)時(shí)移因子和尺度因子進(jìn)行多層分解[7?8]，高分辨率的準(zhǔn)確提取反映故障信息的特征值，作為特征向量。本文多分辨率分析提取故障特征步驟具體如下：

（1） 在Matlab中對(duì)信號(hào)進(jìn)行小波[i]層分解，獲得高頻系數(shù)[cdi]和低頻系數(shù)[ai]；

（2） 對(duì)每層的高頻系數(shù)[cdi]進(jìn)行絕對(duì)值求和[di]，構(gòu)成序列[di，di-1，…，d1]，作為多分辨率分析。

（3） 按照尺度順序?qū)γ繉拥玫降念l率系數(shù)進(jìn)行絕對(duì)值求和，得[ai，di，di-1，…，d1]作為故障特征值。

（4） 對(duì)故障特征值做數(shù)據(jù)歸一化處理，使數(shù)據(jù)在[0，1]范圍之內(nèi)，作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，避免網(wǎng)絡(luò)訓(xùn)練的不穩(wěn)定。

3 仿真及診斷實(shí)例

本文采用以四階低通濾波器電路作為診斷實(shí)例來(lái)驗(yàn)證提出的方法的有效性，診斷電路如圖2所示。

圖中元件標(biāo)稱值為[R11=R12=R21=R22=4.7 kΩ]，[C1=C2=C3=C4=0.33 μF，R13=9.42 kΩ，R14=62 kΩ，][R23=24.7 kΩ，R24=20 kΩ]，[vi]為1 V的交流信號(hào)。考慮到元件的容差值，設(shè)定電容的容差為10%，電阻的容差為5%，元件在容差的范圍內(nèi)視為正常狀態(tài)。

經(jīng)過(guò)Pspice10.5靈敏度的分析，確定了10種故障狀態(tài)，分別為[C1↓]，[C1↑]，[C2↓]，[C2↑]，[C3↓]，[C3↑]，[C4↓]，[C4↑]，[R22↓]，[R22↑]，以上10種故障狀態(tài)為元件標(biāo)稱值[±50%]的單一軟故障。再加上正常狀態(tài)，共計(jì)11種，分別用：0000（正常），0001（[C1↓]），0010（[C1↑]），0011（[C2↓]），0100（[C2↑]），0101（[C3↓]），0110（[C3↑]），0111（[C4↓]），1000（[C4↑]），1001（[R22↓]），1010（[R22↑]）。

對(duì)診斷電路在PSpice10.5軟件下進(jìn)行50次mc分析，得到輸出電壓Vout值作為源數(shù)據(jù)，通過(guò)多分辨分析，進(jìn)行9層haar小波分解，將80%數(shù)據(jù)作為訓(xùn)練樣本，20%數(shù)據(jù)作為測(cè)試樣本。

構(gòu)造小波神經(jīng)網(wǎng)絡(luò)[10×18×4]，隱層函數(shù)采用Morlet小波[9?10]，輸出傳遞函數(shù)為purelin，動(dòng)量因子mc為0.85，學(xué)習(xí)效率lr取0.02，目標(biāo)誤差為0.02。小波神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)424次訓(xùn)練達(dá)到目標(biāo)誤差，訓(xùn)練誤差曲線圖如圖3所示，測(cè)試樣本的故障正確率達(dá)到93.636 4%，故障診斷實(shí)驗(yàn)結(jié)果表1所示。

4 結(jié) 語(yǔ)

神經(jīng)網(wǎng)絡(luò)運(yùn)用于模擬電路故障診斷，可以有效地改善故障診斷能力。本文利用多分辨分析和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行模擬電路故障診斷。運(yùn)用PSpice對(duì)故障電路進(jìn)行樣本數(shù)據(jù)采集，經(jīng)多分辨分析和歸一化方法提取故障特征值，將所得故障特征值作為小波神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，通過(guò)四階低通濾波器的實(shí)例驗(yàn)證，可知兩者相結(jié)合可以有效地對(duì)故障進(jìn)行診斷，驗(yàn)證了該方法的正確性和可行性。

參考文獻(xiàn)

[1] AMINIAN M， AMINIAN F. Neural network based analog?circuit fault diagnosis using wavelet transform as processor [J]. IEEE Transactions on CAS?II： Analog and Digital Signal Processing， 2000， 47（2）： 151?156.

[2] 戴毓，彭良玉.基于BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].現(xiàn)代電子技術(shù)，2013，36（16）：9?14.

[3] 徐昕，傅煊.基于小波分解和BP網(wǎng)絡(luò)模擬電路診斷研究[J].現(xiàn)代電子技術(shù)，2011，34（19）：171?175.

[4] 蔣周娜.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究及系統(tǒng)實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2010.

[5] LIU Xiao?qin， WANG Da?zhi. Wavelet neural network based fault diagnosis of analog circuit [C]// Proceedings of 2012 24th Chinese Control and Decision Confence. Taiyuan， China： CCDC， 2012： 2234?2239.

[6] 彭良玉，廖慎勤.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法及LabVIEW實(shí)現(xiàn)[J].微電子學(xué)與計(jì)算機(jī)，2013，30（5）：72?75.

[7] HE Y G， TAN Y，SUN Y C. Wavelet neural network approach for fault diagnosis of analogue circuits [J]. IEEE Proceedings of Circuits， Device and Systems， 2004， 151（4）： 379?384.

[8] 金瑜，陳光，劉紅.基于BP小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].測(cè)控技術(shù)，2007，26（7）：64?69.

[9] 史峰.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

[10] 傅薈璇，趙紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.

（1） 在Matlab中對(duì)信號(hào)進(jìn)行小波[i]層分解，獲得高頻系數(shù)[cdi]和低頻系數(shù)[ai]；

（2） 對(duì)每層的高頻系數(shù)[cdi]進(jìn)行絕對(duì)值求和[di]，構(gòu)成序列[di，di-1，…，d1]，作為多分辨率分析。

（3） 按照尺度順序?qū)γ繉拥玫降念l率系數(shù)進(jìn)行絕對(duì)值求和，得[ai，di，di-1，…，d1]作為故障特征值。

（4） 對(duì)故障特征值做數(shù)據(jù)歸一化處理，使數(shù)據(jù)在[0，1]范圍之內(nèi)，作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，避免網(wǎng)絡(luò)訓(xùn)練的不穩(wěn)定。

3 仿真及診斷實(shí)例

本文采用以四階低通濾波器電路作為診斷實(shí)例來(lái)驗(yàn)證提出的方法的有效性，診斷電路如圖2所示。

圖中元件標(biāo)稱值為[R11=R12=R21=R22=4.7 kΩ]，[C1=C2=C3=C4=0.33 μF，R13=9.42 kΩ，R14=62 kΩ，][R23=24.7 kΩ，R24=20 kΩ]，[vi]為1 V的交流信號(hào)?？紤]到元件的容差值，設(shè)定電容的容差為10%，電阻的容差為5%，元件在容差的范圍內(nèi)視為正常狀態(tài)。

經(jīng)過(guò)Pspice10.5靈敏度的分析，確定了10種故障狀態(tài)，分別為[C1↓]，[C1↑]，[C2↓]，[C2↑]，[C3↓]，[C3↑]，[C4↓]，[C4↑]，[R22↓]，[R22↑]，以上10種故障狀態(tài)為元件標(biāo)稱值[±50%]的單一軟故障。再加上正常狀態(tài)，共計(jì)11種，分別用：0000（正常），0001（[C1↓]），0010（[C1↑]），0011（[C2↓]），0100（[C2↑]），0101（[C3↓]），0110（[C3↑]），0111（[C4↓]），1000（[C4↑]），1001（[R22↓]），1010（[R22↑]）。

對(duì)診斷電路在PSpice10.5軟件下進(jìn)行50次mc分析，得到輸出電壓Vout值作為源數(shù)據(jù)，通過(guò)多分辨分析，進(jìn)行9層haar小波分解，將80%數(shù)據(jù)作為訓(xùn)練樣本，20%數(shù)據(jù)作為測(cè)試樣本。

構(gòu)造小波神經(jīng)網(wǎng)絡(luò)[10×18×4]，隱層函數(shù)采用Morlet小波[9?10]，輸出傳遞函數(shù)為purelin，動(dòng)量因子mc為0.85，學(xué)習(xí)效率lr取0.02，目標(biāo)誤差為0.02。小波神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)424次訓(xùn)練達(dá)到目標(biāo)誤差，訓(xùn)練誤差曲線圖如圖3所示，測(cè)試樣本的故障正確率達(dá)到93.636 4%，故障診斷實(shí)驗(yàn)結(jié)果表1所示。

4 結(jié) 語(yǔ)

神經(jīng)網(wǎng)絡(luò)運(yùn)用于模擬電路故障診斷，可以有效地改善故障診斷能力。本文利用多分辨分析和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行模擬電路故障診斷。運(yùn)用PSpice對(duì)故障電路進(jìn)行樣本數(shù)據(jù)采集，經(jīng)多分辨分析和歸一化方法提取故障特征值，將所得故障特征值作為小波神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，通過(guò)四階低通濾波器的實(shí)例驗(yàn)證，可知兩者相結(jié)合可以有效地對(duì)故障進(jìn)行診斷，驗(yàn)證了該方法的正確性和可行性。

參考文獻(xiàn)

[1] AMINIAN M， AMINIAN F. Neural network based analog?circuit fault diagnosis using wavelet transform as processor [J]. IEEE Transactions on CAS?II： Analog and Digital Signal Processing， 2000， 47（2）： 151?156.

[2] 戴毓，彭良玉.基于BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].現(xiàn)代電子技術(shù)，2013，36（16）：9?14.

[3] 徐昕，傅煊.基于小波分解和BP網(wǎng)絡(luò)模擬電路診斷研究[J].現(xiàn)代電子技術(shù)，2011，34（19）：171?175.

[4] 蔣周娜.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究及系統(tǒng)實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2010.

[5] LIU Xiao?qin， WANG Da?zhi. Wavelet neural network based fault diagnosis of analog circuit [C]// Proceedings of 2012 24th Chinese Control and Decision Confence. Taiyuan， China： CCDC， 2012： 2234?2239.

[6] 彭良玉，廖慎勤.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法及LabVIEW實(shí)現(xiàn)[J].微電子學(xué)與計(jì)算機(jī)，2013，30（5）：72?75.

[7] HE Y G， TAN Y，SUN Y C. Wavelet neural network approach for fault diagnosis of analogue circuits [J]. IEEE Proceedings of Circuits， Device and Systems， 2004， 151（4）： 379?384.

[8] 金瑜，陳光，劉紅.基于BP小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].測(cè)控技術(shù)，2007，26（7）：64?69.

[9] 史峰.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

[10] 傅薈璇，趙紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.

（1） 在Matlab中對(duì)信號(hào)進(jìn)行小波[i]層分解，獲得高頻系數(shù)[cdi]和低頻系數(shù)[ai]；

（2） 對(duì)每層的高頻系數(shù)[cdi]進(jìn)行絕對(duì)值求和[di]，構(gòu)成序列[di，di-1，…，d1]，作為多分辨率分析。

（3） 按照尺度順序?qū)γ繉拥玫降念l率系數(shù)進(jìn)行絕對(duì)值求和，得[ai，di，di-1，…，d1]作為故障特征值。

（4） 對(duì)故障特征值做數(shù)據(jù)歸一化處理，使數(shù)據(jù)在[0，1]范圍之內(nèi)，作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，避免網(wǎng)絡(luò)訓(xùn)練的不穩(wěn)定。

3 仿真及診斷實(shí)例

本文采用以四階低通濾波器電路作為診斷實(shí)例來(lái)驗(yàn)證提出的方法的有效性，診斷電路如圖2所示。

圖中元件標(biāo)稱值為[R11=R12=R21=R22=4.7 kΩ]，[C1=C2=C3=C4=0.33 μF，R13=9.42 kΩ，R14=62 kΩ，][R23=24.7 kΩ，R24=20 kΩ]，[vi]為1 V的交流信號(hào)?？紤]到元件的容差值，設(shè)定電容的容差為10%，電阻的容差為5%，元件在容差的范圍內(nèi)視為正常狀態(tài)。

經(jīng)過(guò)Pspice10.5靈敏度的分析，確定了10種故障狀態(tài)，分別為[C1↓]，[C1↑]，[C2↓]，[C2↑]，[C3↓]，[C3↑]，[C4↓]，[C4↑]，[R22↓]，[R22↑]，以上10種故障狀態(tài)為元件標(biāo)稱值[±50%]的單一軟故障。再加上正常狀態(tài)，共計(jì)11種，分別用：0000（正常），0001（[C1↓]），0010（[C1↑]），0011（[C2↓]），0100（[C2↑]），0101（[C3↓]），0110（[C3↑]），0111（[C4↓]），1000（[C4↑]），1001（[R22↓]），1010（[R22↑]）。

對(duì)診斷電路在PSpice10.5軟件下進(jìn)行50次mc分析，得到輸出電壓Vout值作為源數(shù)據(jù)，通過(guò)多分辨分析，進(jìn)行9層haar小波分解，將80%數(shù)據(jù)作為訓(xùn)練樣本，20%數(shù)據(jù)作為測(cè)試樣本。

構(gòu)造小波神經(jīng)網(wǎng)絡(luò)[10×18×4]，隱層函數(shù)采用Morlet小波[9?10]，輸出傳遞函數(shù)為purelin，動(dòng)量因子mc為0.85，學(xué)習(xí)效率lr取0.02，目標(biāo)誤差為0.02。小波神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)424次訓(xùn)練達(dá)到目標(biāo)誤差，訓(xùn)練誤差曲線圖如圖3所示，測(cè)試樣本的故障正確率達(dá)到93.636 4%，故障診斷實(shí)驗(yàn)結(jié)果表1所示。

4 結(jié) 語(yǔ)

神經(jīng)網(wǎng)絡(luò)運(yùn)用于模擬電路故障診斷，可以有效地改善故障診斷能力。本文利用多分辨分析和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行模擬電路故障診斷。運(yùn)用PSpice對(duì)故障電路進(jìn)行樣本數(shù)據(jù)采集，經(jīng)多分辨分析和歸一化方法提取故障特征值，將所得故障特征值作為小波神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，通過(guò)四階低通濾波器的實(shí)例驗(yàn)證，可知兩者相結(jié)合可以有效地對(duì)故障進(jìn)行診斷，驗(yàn)證了該方法的正確性和可行性。

參考文獻(xiàn)

[1] AMINIAN M， AMINIAN F. Neural network based analog?circuit fault diagnosis using wavelet transform as processor [J]. IEEE Transactions on CAS?II： Analog and Digital Signal Processing， 2000， 47（2）： 151?156.

[2] 戴毓，彭良玉.基于BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].現(xiàn)代電子技術(shù)，2013，36（16）：9?14.

[3] 徐昕，傅煊.基于小波分解和BP網(wǎng)絡(luò)模擬電路診斷研究[J].現(xiàn)代電子技術(shù)，2011，34（19）：171?175.

[4] 蔣周娜.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究及系統(tǒng)實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2010.

[5] LIU Xiao?qin， WANG Da?zhi. Wavelet neural network based fault diagnosis of analog circuit [C]// Proceedings of 2012 24th Chinese Control and Decision Confence. Taiyuan， China： CCDC， 2012： 2234?2239.

[6] 彭良玉，廖慎勤.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法及LabVIEW實(shí)現(xiàn)[J].微電子學(xué)與計(jì)算機(jī)，2013，30（5）：72?75.

[7] HE Y G， TAN Y，SUN Y C. Wavelet neural network approach for fault diagnosis of analogue circuits [J]. IEEE Proceedings of Circuits， Device and Systems， 2004， 151（4）： 379?384.

[8] 金瑜，陳光，劉紅.基于BP小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].測(cè)控技術(shù)，2007，26（7）：64?69.

[9] 史峰.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

[10] 傅薈璇，趙紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.